基于“发现式学习”方法，利用最少实验预测电池循环寿命的突破性研究
一、 研究作者与发表信息 本研究的主要作者包括来自美国密歇根大学电气工程与计算机科学系的Jiawei Zhang、新加坡国立大学机械工程系的Yifei Zhang、Baozhao Yi、Hanyu Bai和Ziyou Song（通讯作者），以及来自Farasis Energy USA, Inc.的Yao Ren、Qi Jiao和Weiran Jiang（通讯作者）。该研究以题为“发现式学习从最少实验预测电池循环寿命”（Discovery learning predicts battery cycle life from minimal experiments）的论文形式，于2026年2月5日发表在国际顶级学术期刊 *Nature*（第650卷）上。
二、 学术背景与研究目标 本研究属于人工智能赋能科学（AI for Science, AI4Science）和先进电池技术开发的交叉领域。其核心科学问题是：如何高效、低成本且高精度地预测全新设计的电池的循环寿命（Cycle Life）。
研究背景与动因：电动汽车和电网储能的快速发展对长寿命电池的需求日益迫切。然而，电池研发面临一个关键瓶颈——对新型电池设计的寿命评估极度耗时耗能。一次完整的电池寿命衰减实验可能耗时数年，同时电池原型制造和测试本身也消耗大量能源并产生可观的温室气体排放，形成了一个“可持续性困境”：即开发可持续能源技术的过程本身可能不可持续。现有的预测方法存在两个主要局限：第一，传统数据驱动方法依赖于获取目标设计电池的完整寿命数据进行训练，无法在制造原型前做出可靠预测，这阻碍了快速反馈和迭代优化；第二，传统的物理模型则受限于对复杂降解机制理解的不足。此外，AI4Science领域的预测任务普遍面临“数据不可承受性”（Data Unaffordability）和“分布偏移”（Distribution Shift）的双重挑战，即获取可靠标签（如电池寿命）成本高昂，且新设计（测试数据）与历史数据（训练数据）的分布往往不同，导致模型泛化能力差。
研究目标：为了解决上述难题，研究团队旨在开发一种新颖的科学机器学习（Scientific Machine Learning）方法。该方法的核心目标是：借鉴人类的高效学习模式，能够充分利用现有的、零成本（相对于新实验）的历史电池设计数据集，在极少需要（甚至完全避免）对新电池设计进行完全生命周期测试的情况下，仅通过早期循环数据，即可高精度地预测其循环寿命，从而极大降低时间和能源成本。
三、 研究方法与详细流程 研究团队提出了名为“发现式学习”（Discovery Learning）的方法论，其灵感源于教育心理学家布鲁纳（Bruner）的“发现式学习”理论，强调基于先验知识和过去经验的探究式学习过程。该方法将主动学习（Active Learning）、物理引导学习（Physics-Guided Learning）和零样本学习（Zero-Shot Learning）整合到一个类似人类推理的迭代循环中。整个框架包含三个核心智能体（Agent）：阐释器（Interpreter）、先知（Oracle）和学习者（Learner）。
1. 研究对象与数据 * 测试数据集（新设计/目标预测对象）：为了全面测试“发现式学习”并贡献于电池研究，作者构建了一个全新的工业级电池老化数据集，包含123个大容量（73–84 Ah）锂离子软包电池（Large-format lithium-ion pouch cells）。这些电池涵盖8种不同的电池类型，具有多样化的电极材料或电池设计（如PA-B1, PA-B2, PA-B3等，其中PA、PB、PC、PD在设计上有显著差异），并在多种循环条件下进行了寿命测试。这是首次公开的大容量软包电池综合老化数据集，填补了现有公共数据集的空白。 * 训练数据集（历史/先验知识来源）：训练数据来源于公开可获取的零成本数据集，包含200个小容量（1.1–3.5 Ah）圆柱形商用电池（例如A123-M1A, LG-HG2等），这些电池在电极材料、电池设计和制造工艺上与测试数据集完全不同。研究明确指出了两种数据集在容量衰减行为上的显著差异（例如，测试电池呈现从线性到加速的退化，而历史电池多为线性或逐渐减速），凸显了分布偏移挑战的严峻性。 * 最终预测目标：考虑到制造工艺带来的器件差异，研究对123个电池进行了分组，最终目标是在组级别（Group Level）预测37个电池组（每组包含相同化学组成、设计及循环条件下的电池）的平均循环寿命。
2. “发现式学习”工作流程 整个流程形成一个闭环（图1），分为开放式（Open-loop，无学习者反馈）和闭环式（Closed-loop，有学习者反馈）两种设置。 * 第一步：查询与特征空间构建 1. 学习者启动查询：在闭环设置中，学习者首先主动从未标记的测试样本（即新的电池设计组）中，选择最具“信息性”的样本进行优先“探索”。选择策略结合了无监督规则策略（基于对电池老化机理的先验知识，优先选择能最大化环境温度和充放电倍率范围多样性的边界条件样本）和有监督的不确定性策略（基于模型预测的标准差，选择不确定性最高的样本）。 2. 阐释器构建通用特征空间：对于被选中的样本（需制作原型并进行早期循环测试），阐释器通过物理引导学习来构建一个通用的、可解释的、基于物理的特征空间。具体实施中，研究团队应用了仿真驱动推理（Simulation-Based Inference, SBI） 技术，特别是神经样条流模型（Neural Spline Flow model）。他们基于PyBaMM软件包的伪二维（Pseudo-Two-Dimensional, P2D）电化学模型，利用电池早期（如前50个等效全充放循环EFC）的充放电曲线，推断出14个与热力学和动力学性质相关的物理参数的后验概率分布。最终，构建了28个物理特征，其中14个是首个循环时参数后验分布的均值（代表初始物理状态），另外14个是这些均值在前50个循环中的变化量（代表物理状态的演化）。
第二步：初级推断与“伪标签”生成
第三步：闭环迭代与次级推断
四、 主要结果与分析 1. 开放式（开环）结果：当仅使用阐释器和先知（排除学习者反馈）时，结果显示预测性能优异。在未引入学习者的情况下，先知对37个电池组的平均循环寿命预测达到了组级平均绝对百分比误差（MAPE）为6.4%，均方根误差（RMSE）为64个循环。对123个独立电池的单体级MAPE为9.1%（RMSE为70个循环），皮尔逊相关系数高达0.97。这证明了物理引导特征和零样本学习框架即使在没有闭环优化的情况下，也能够精准地从历史小电池数据泛化到全新的大容量软包电池设计上。通过SHAP分析，研究揭示了早期循环中关键物理特征（如负极活性材料体积分数ε_s^n降低、负极在高截止电压下的锂化学计量数θ_h^n增大等）对寿命预测的正向或负向影响，这些发现与已知的延长电池寿命的设计策略（如降低比表面积）相符，验证了特征的物理可解释性。
2. 闭环式（闭环）结果：为了进一步降低实验成本（即减少需要制作原型并进行早期测试的电池组比例），引入了学习者进行主动查询。在研究设定的查询策略下，学习者从37个电池组中主动选择了26个组进行早期循环测试以获得物理特征。对于这26个组，先知的预测组级MAPE为7.1%。然后，学习者仅基于循环条件特征，对剩余的11个组进行次级推断，预测MAPE为7.4%。将先知和学习者的预测结果结合，对整个37个电池组的整体预测组级MAPE为7.2%（RMSE为91个循环）。值得注意的是，为了实现这一精度，仅需要对约51%的电池原型（123个中的63个）进行前50个循环的测试。与传统的工业电池寿命验证实践相比，这一过程可节省98%的评估时间和95%的能源消耗（根据论文中保守假设的计算，时间从近1333天减少至33天，能耗从8.523兆瓦时减少至0.468兆瓦时）。闭环结果虽比纯开环（6.4%）误差略有增加，这被认为是“伪标签”过程固有的误差累积所致，但其带来了巨大的实验成本节约，尤其在大规模设计空间探索时，这种效率优势更为显著。
3. 泛化性与鲁棒性验证：研究系统地测试了方法的鲁棒性。通过移除历史数据集中的不同部分，考察预测性能的变化。一个极具挑战性的案例是预测全新正负极材料的PD电池（NMC9/Si-C）。结果显示，即使从历史数据中完全排除了化学组成更相似（含硅）的LG-MJ1电池，发现式学习仍能达到约19%的组级误差（当完全排除Samsung-25R时误差为8%），表明该方法在面临显著分布偏移时仍具备一定的泛化能力。
五、 研究结论与价值 本研究成功开发并验证了一种名为“发现式学习”的新型科学机器学习框架，能够在仅对约一半的新电池原型进行前50个循环测试的情况下，以约7.2%的平均绝对百分比误差预测其整个寿命周期的循环次数。这一方法的核心价值在于，它通过整合主动学习、物理引导学习和零样本学习，巧妙地将高昂的、需要完全寿命测试的“标签获取”成本，转化为低成本的、基于早期物理特征和先验知识的“伪标签”生成过程，从而实现了对新电池设计的快速、低成本、高精度寿命评估。
科学价值：该研究为AI4Science领域提供了一个新颖的方法论范式，有效地解决了数据不可承受性和分布偏移的双重挑战。它展示了如何将人类启发式的探索学习模式与机器学习算法、领域物理知识深度结合，以极低的实验成本获取科学预测能力。
应用价值：该方法有望极大加速下一代电池的研发进程。它不仅可以直接用于电池设计优化，通过快速预测寿命来筛选和迭代设计方案，节省数年时间和巨额能源消耗，还有潜力扩展到电池的其他性能指标预测（如安全性、快充能力）。从更广泛的视角看，这一“发现式学习”的概念可以推广到其他科学发现和工程优化领域，为那些实验成本高昂、数据获取困难的复杂物理系统提供了一种可行的加速研发路径。
六、 研究亮点 1. 方法论创新：首次将教育心理学中的“发现式学习”理论引入到科学机器学习中，构建了一个集成了主动学习、物理引导学习和零样本学习的迭代推理循环框架，实现了人工智能从被动拟合到主动探索的范式转变。 2. 显著性能与效率突破：在电池寿命预测这一经典难题上，取得了突破性成果：仅需约50%电池原型的前50个循环数据（而非完整的数千个循环），即可实现约7.2%的高精度预测，与传统方法相比，预计可节省98%的时间和95%的能源，从根本上解决了电池研发的“可持续性困境”。 3. 解决核心AI4Science挑战：通过双重预测器（元预测器+基预测器）等设计，有效克服了分布偏移问题，使得模型能够利用廉价、易得的小型圆柱电池历史数据，去预测昂贵、全新的工业级大容量软包电池性能。 4. 物理可解释性与数据贡献：整个预测流程建立在基于物理模型推导的可解释特征之上，增强了模型的可信度和对领域知识的利用。同时，研究公开了一个宝贵的工业级大容量软包电池老化数据集，填补了领域空白，为后续研究提供了重要资源。
七、 其他有价值内容 * 研究详细对比了“发现式学习”循环与传统主动学习循环的差异（图4a），明确指出前者用基于初级推断的“伪标签”过程替代了后者依赖实验的“真实标签”过程，从而移除了学习者的训练成本，这清晰地界定了其创新边界。 * 论文在方法部分详细阐述了物理引导学习、零样本学习和主动学习中各算法模型的具体实现（如使用神经网络流模型、弹性网络、支持向量回归、高斯过程等）和关键参数，为领域内复现和应用提供了充分的技术细节。 * 研究对时间和能源成本的节约进行了严谨、保守的量化估算，考虑了不同的实验假设（如循环倍率、测试仪并行能力等），使得其效益宣称具有扎实的计算基础。